Biomedical Co-Scientist
Biomedical Co-Scientist
하이퍼랩의 Biomedical Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로 진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
01
나만의 연구 아이디어를
디자인 결과로
나만의 연구 아이디어로 여러 후보를
한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수
있습니다.
02
수백 개의 구조 예측을
더 빠르게
K-Fold는 수백 개의 구조 예측을
한 번에 수행하고, AlphaFold3 대비
최대 30배 빠른 속도로 결과를 제공해 연구자의 시간과 비용을 줄입니다.
03
대화 기반으로
검색･예측･분석을 한 번에
대화를 기반으로 연구에 필요한
자료조사부터, 구조 예측과 결과
해석까지 하나의 하나의 흐름에서
몰입된 연구를 수행할 수 있습니다.
K-Fold Model
구조를 예측하는 모델, K-Fold
하이퍼랩은 KAIST와 히츠가 공동 개발한 차세대 바이오 파운데이션 모델 K-Fold*로 구조를 예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해
결합 부위 분석이나 바인더·항체 설계에 바로 활용할 수 있습니다.
폭넓은 연구 활용
진화 정보에 의존하지 않고
단백질 자체의 특징을 이용한
예측 알고리즘으로 합성 바인더나
분자 접착제처럼 진화 정보가 부족한
연구에도 활용할 수 있습니다.
검증된 정확도
구조 데이터의 통계 패턴을 포함해
단백질 안에서 일어나는 물리, 화학적
상호작용 원리까지 학습합니다.
더 빠른 속도
AlphaFold3 대비 최대 약 30배
더 빠른 예측 속도로,
빠르게 후보를 좁혀나갈 수 있습니다.
30×
AlphaFold3보다 빠른 구조 예측
AF3-level
복합체(Complex) 구조 예측을 정밀하게
No MSA
추가 정보 없이 서열만으로 구조 예측
Workflow
디자인 워크플로우를 하나의 흐름으로
항체 설계
1
타깃 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다.
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
이 모든 과정이 한 곳에서 가능합니다.
서열이나 결과를 옮겨 다닐 필요가 없습니다.
하이퍼랩의 단백질, 항체 디자인 연구 경험을 만나보세요.
FAQ
자주 묻는 질문
AlphaFold3와 무엇이 다른가요?
접근 방식이 다릅니다.
AlphaFold3 계열이 진화 정보(MSA)에 크게 기대는 반면, K-Fold는 MSA 없이 단백질 자체의 특징에서
결합 구조를 예측합니다.
특히 결합 후의 최종 구조만 학습하는 다른 기존 모델들과 달리, 결합 과정에서 일어나는 전후 구조 변화를
예측하도록 학습해 더 정확한 예측이 가능합니다.
이를 통해 진화 정보가 부족한 합성 바인더나 분자접착제처럼 까다로운 경우에도 잘 일반화하며,
속도는 AlphaFold3 대비 최대 약 30배까지 더 빠릅니다.
정확도는 믿을 만한가요?
정부 평가에서 2B급 K-Fold 모델이 분자 복합체의 3차원 구조 예측 정확도에서
AlphaFold3에 근접한 수준으로 평가됐습니다.
또한 pLDDT·PAE·pTM·ipTM 지표를 제공해, 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
AlphaFold3 대비 최대 30배 빠릅니다.
실험실과 산업 현장에서 반복 예측을 돌리며 후보를 빠르게 좁히는 가상 탐색 워크플로우에 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
1. 나만의 연구 아이디어를 디자인 결과로
나만의 연구 아이디어로 여러 후보를 한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수 있습니다.
2. 수백 개의 구조 예측을 더 빠르게
K-Fold는 수백 개의 구조 예측을 한 번에 수행하고, AlphaFold 대비 최대 30배 빠른 속도로 결과를 제공해 연구자의 시간과 비용을 줄입니다.
3. 더 빠른 속도
대화를 기반으로 연구에 필요한 자료조사부터, 구조 예측과 결과 해석까지 하나의 하나의 흐름에서 몰입된 연구를 수행할 수 있습니다.
Biomedical Co-Researcher
Biomedical Co-Scientist
하이퍼랩의 Biomedical Co-Scientist
랩스페이스에서는 리서치부터 설계, 구조 확인까지
하나의 흐름으로 진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
Biomedical Co-Researcher
Biomedical Co-Scientist
하이퍼랩의 Biomedical Co-Scientist
랩스페이스에서는 리서치부터 설계, 구조 확인까지
하나의 흐름으로 진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
K-Fold Model
구조를 예측하는 모델, K-Fold
하이퍼랩은 KAIST와 히츠가 공동 개발한
차세대 바이오 파운데이션 모델 K-Fold*로 구조를 예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해 결합 부위 분석이나 바인더·항체 설계에 바로 활용할 수 있습니다.
1. 폭넓은 연구 활용
진화 정보에 의존하지 않고 단백질 자체의 특징을 이용한 예측 알고리즘으로 합성 바인더나 분자접착제처럼 진화 정보가 부족한 연구에도 활용할 수 있습니다.
2. 검증된 정확도
구조 데이터의 통계 패턴을 포함해 단백질 안에서 일어나는 물리, 화학적 상호작용 원리까지 학습합니다.
3. 더 빠른 속도
AlphaFold3 대비 최대 약 30배 더 빠른 예측 속도로, 빠르게 후보를 좁혀나갈 수 있습니다.
K-Fold
Workflow
디자인 워크플로우를
하나의 흐름으로
항체 설계
1
타겟 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
단백질 바인더 설계
1
타깃 단백질의 결합 부위를 리서치
채팅으로 타깃 구조를 찾아 바인더가 결합할 부위를 파악합니다.
2
RFdiffusion으로 백본 설계
결합 부위에 맞춰 바인더의 백본 구조를 설계합니다.
3
ProteinMPNN으로 서열 설계
설계한 백본에 들어갈 아미노산 서열을 생성합니다.
4
K-Fold로 타깃-바인더 복합체 구조 예측
설계한 바인더가 타깃에 어떻게 결합하는지 복합체 구조를 예측해 3D Viewer로 확인합니다.
5
신뢰도 지표로 후보 선별
타깃과 바인더가 맞닿는 인터페이스를 ipTM으로 평가해 유망한 후보를 선별합니다.
자주 묻는 질문
FAQ
AlphaFold3와 무엇이 다른가요?
접근 방식이 다릅니다.
AlphaFold3 계열이 진화 정보(MSA)에 크게 기대는 반면, K-Fold는 MSA 없이 단백질 자체의 특징에서
결합 구조를 예측합니다.
특히 결합 후의 최종 구조만 학습하는 다른 기존 모델들과 달리, 결합 과정에서 일어나는 전후 구조 변화를
예측하도록 학습해 더 정확한 예측이 가능합니다.
이를 통해 진화 정보가 부족한 합성 바인더나 분자접착제처럼 까다로운 경우에도 잘 일반화하며,
속도는 AlphaFold3 대비 최대 약 30배까지 더 빠릅니다.
정확도는 믿을 만한가요?
정부 평가에서 2B급 K-Fold 모델이 분자 복합체의 3차원 구조 예측 정확도에서
AlphaFold3에 근접한 수준으로 평가됐습니다.
또한 pLDDT·PAE·pTM·ipTM 지표를 제공해, 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
AlphaFold3 대비 최대 30배 빠릅니다.
실험실과 산업 현장에서 반복 예측을 돌리며 후보를 빠르게 좁히는 가상 탐색 워크플로우에 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
Biomedical Co-Researcher
Biomedical Co-Scientist
하이퍼랩의 Biomedical Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로 진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
1. 나만의 연구 아이디어를 디자인 결과로
나만의 연구 아이디어로 여러 후보를 한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수 있습니다.
2. 수백 개의 구조 예측을 더 빠르게
K-Fold는 수백 개의 구조 예측을 한 번에 수행하고, AlphaFold 대비 최대 30배 빠른 속도로 결과를 제공해 연구자의 시간과 비용을 줄입니다.
3. 더 빠른 속도
대화를 기반으로 연구에 필요한 자료조사부터, 구조 예측과 결과 해석까지 하나의 하나의 흐름에서 몰입된 연구를 수행할 수 있습니다.
구조를 예측하는 모델, K-Fold
K-Fold Model
하이퍼랩은 KAIST와 히츠가 공동 개발한 차세대 바이오 파운데이션 모델 K-Fold*로 구조를 예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해
결합 부위 분석이나 바인더·항체 설계에 바로 활용할 수 있습니다.
1. 폭넓은 연구 활용
진화 정보에 의존하지 않고 단백질 자체의 특징을 이용한 예측 알고리즘으로 합성 바인더나 분자접착제처럼 진화 정보가 부족한 연구에도 활용할 수 있습니다.
2. 검증된 정확도
구조 데이터의 통계 패턴을 포함해 단백질 안에서 일어나는 물리, 화학적 상호작용 원리까지 학습합니다.
3. 더 빠른 속도
AlphaFold3 대비 최대 약 30배 더 빠른 예측 속도로, 빠르게 후보를 좁혀나갈 수 있습니다.
K-Fold
디자인 워크플로우를 하나의 흐름으로
Workflow
항체 설계
1
타깃 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다.
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
단백질 바인더 설계
1
타깃 단백질의 결합 부위를 리서치
채팅으로 타깃 구조를 찾아 바인더가 결합할 부위를 파악합니다.
2
RFdiffusion으로 백본 설계
결합 부위에 맞춰 바인더의 백본 구조를 설계합니다.
3
ProteinMPNN으로 서열 설계
설계한 백본에 들어갈 아미노산 서열을 생성합니다.
4
K-Fold로 타깃-바인더 복합체 구조 예측
설계한 바인더가 타깃에 어떻게 결합하는지 복합체 구조를 예측해 3D Viewer로 확인합니다.
5
신뢰도 지표로 후보 선별
타깃과 바인더가 맞닿는 인터페이스를 ipTM으로 평가해 유망한 후보를 선별합니다.
AlphaFold3와 무엇이 다른가요?
접근 방식이 다릅니다.
AlphaFold3 계열이 진화 정보(MSA)에 크게 기대는 반면, K-Fold는 MSA 없이 단백질 자체의 특징에서
결합 구조를 예측합니다.
특히 결합 후의 최종 구조만 학습하는 다른 기존 모델들과 달리, 결합 과정에서 일어나는 전후 구조 변화를
예측하도록 학습해 더 정확한 예측이 가능합니다.
이를 통해 진화 정보가 부족한 합성 바인더나 분자접착제처럼 까다로운 경우에도 잘 일반화하며,
속도는 AlphaFold3 대비 최대 약 30배까지 더 빠릅니다.
정확도는 믿을 만한가요?
정부 평가에서 2B급 K-Fold 모델이 분자 복합체의 3차원 구조 예측 정확도에서
AlphaFold3에 근접한 수준으로 평가됐습니다.
또한 pLDDT·PAE·pTM·ipTM 지표를 제공해, 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
AlphaFold3 대비 최대 30배 빠릅니다.
실험실과 산업 현장에서 반복 예측을 돌리며 후보를 빠르게 좁히는 가상 탐색 워크플로우에 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
자주 묻는 질문
FAQ
30×
AlphaFold3보다
빠른 구조 예측
AF3-level
복합체(Complex) 구조
예측을 정밀하게
No MSA
추가 정보 없이 서열만으로
구조 예측